我们提出了 TopoMLP，这是一个简单但高性能的驾驶拓扑推理管道，基于令人印象深刻的检测性能，我们为拓扑生成开发了两个基于 MLP 的简单头部。

Oct, 2023

基于 Transformer 的新型框架 Topo2D，将 2D 车道实例与 3D 查询和 3D 位置嵌入相结合，显式地将 2D 车道特征纳入车道中心线和交通要素之间的拓扑关系的识别中，在 OpenLane-V2 多视图拓扑推理基准和 OpenLane 单视图 3D 车道检测基准中表现出优于现有最先进方法的性能。

Jun, 2024

TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

Apr, 2023

提出了一个包括四个子任务的任务，包括交通要素检测、车道中心线检测、车道之间的关系推理以及车道和交通要素之间的关系推理，提出了一个端到端框架，名为 Separated RoadTopoFormer，可以检测出车道中心线和交通要素，并实现它们之间的推理关系，其中采用了 DETR-like 的体系结构来检测对象

Jul, 2023

基于车道几何距离和车道查询相似性的车道拓扑推理方法 TopoLogic 在车道拓扑方面提供更全面的信息，显著优于现有的方法，并且可以在无需重新训练的情况下将几何距离车道拓扑推理方法应用于经过充分训练的模型中，大大提升车道拓扑推理性能。

May, 2024

本研究提出了一种基于实例掩模和变形器的中心线预测方法，利用方向标签表示来丰富掩模实例的流信息，该方法在 OpenLane-V2 得分（OLS）中排名第四，在 OpenLane 拓扑挑战的中心线预测的 F1 得分中排名第二，并在不使用其情境图神经网络的情况下在 Frechet-based 车道检测方面显示出类似的性能，并在 Chamfer-based 车道检测方面优于 TopoNet 方法。

Jun, 2023

自主驾驶需要准确的局部场景理解信息，为此，我们提出了一种架构和损失形式来通过使用三维物体检测输出来改善局部车道图估计的准确性。所提出的方法通过将车道线作为簇中心，将物体视为要被分配到簇中心概率分布的数据点，从而学习将物体分配给车道中心线，以确保车道和物体之间的直接关系的监督，从而提高性能。该方法显著改善了车道图估计，且通过使用现有三维物体检测方法的输出，我们的方法可以实现显著的性能提升。由于我们的方法使用的是检测输出而不是检测方法的中间表示，因此我们的方法的单一模型可以在测试时使用任何检测方法。

Jul, 2023

本研究旨在探索和确定在高度动态的城市驾驶场景下确定 2D 和 3D 的道路拓扑信息的策略。为了促进这一探索，我们引入了一个庞大的数据集，包含近 100 万个自动标记的数据帧。我们的研究的一个重要贡献在于开发了一个自动生成标签的过程和一个遮挡处理策略，该策略旨在模拟从轻微的中断到严重的阻塞的各种遮挡场景。此外，我们进行了全面的消融研究，开发和评估了多种中心线检测方法。这种分析不仅评估了各种方法的性能，还提供了宝贵的对这些方法可解释性的见解。最后，我们演示了我们的方法的实用性，并评估了它们在不同传感器配置下的适应性，突出了它们在实际场景中的多功能性和相关性。我们的数据集和实验模型是公开可用的。

Nov, 2023

本文介绍我们基于 YOLOX 模型设计的实时 2D 目标检测系统，适用于现实中自主驾驶场景，我们在 Argoverse-HD 数据集上实现了 41.0 的实时准确率，超过了第二名 7.8/6.1 的检测轨迹 / 完全轨迹，此外，配备 TensorRT，我们的模型在高分辨率输入大小下达到了 30FPS 的推理速度。

Jul, 2021

通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

Aug, 2023